MTODO DE MONTE CARLO

.1. INTRODUO
Nos ltimos anos, graas aos avanos dos computadores (hardware), das tcnicas de
programao (software) em contraposio das grandes dificuldades exigidas dos mtodos
tradicionais experimentais de alterar certos parmetros fsicos aplicados ao estudo das
propriedades dos fenmenos crticos, as simulaes computacionais, que antes usava um
conjunto de operaes no qual deveria se repetir centenas de vezes, agora passou a ser feita de
uma nica vez facilitando a obteno dos resultados, passando a exercer uma profunda
influncia no progresso das pesquisas em Mecnica Estatstica [1].
Na Mecnica Estatstica as simulaes computacionais tm como princpio de que
com um computador e um programa que tenha sido construdo apropriadamente, ir servir
para simular um comportamento real de um ensemble de sistemas, de forma a obter uma
anlise estatstica da trajetria nos permitindo estimar determinadas previses das
propriedades do mesmo.
H duas classes gerais de simulaes: O Mtodo da Dinmica Molecular, e o Mtodo
de Monte Carlo (MMC). Este ltimo muito utilizado para o estudo do comportamento
termodinmico de sistemas macroscpicos, cuja diferena do mtodo de dinmica molecular
o uso de uma sequncia de nmeros aleatrios [2]. Neste trabalho usaremos o MMC em
modelos de rede de Ising.
O MMC em fsica computacional possivelmente uma das mais importantes
ferramentas de abordagens numricas para estudar os problemas matemticos que abrangem
todas as disciplinas cientficas, tais como, fsica, qumica e at das cincias sociais e
econmicas [3,4]. A ideia desse mtodo baseia-se na realizao de experimentos de
amostragem estatstica em computador das configuraes do sistema a ser estudado, que
dependem de parmetros com N-pontos em M-dimenses de espao para calcular os valores
aproximados das grandezas desse sistema usando nmeros aleatrios.
.2. HISTRIA DO MTODO DE MONTE CARLO
1
O MMC surgiu nos anos quarenta durante o projeto Manhattan na Segunda Guerra
Mundial pelos fsicos S. Ulam, E. Fermi, J Von Neumann e N. Metropolis (entre outros)
trabalhando no projeto de armas nucleares no laboratrio Nacional Los Alamos. Eles
consideraram a possibilidade da utilizao desse mtodo, que envolvia a simulao direta de
problemas probabilsticos relacionados com o coeficiente de difuso do nutron em certos
materiais. Apesar de chamar a ateno dos cientistas, o desenvolvimento ordenado dessa ideia
teve de aguardar o trabalho de Harris e Herman Kahn em 1948 no qual Fermi, Metropolis e
Ulam usaram o MMC para determinar estimativas para autovalores da equao de
Schrodinger. Muito antes disso, nmeros e grandezas aleatrias j tinham sido usados na
investigao de problemas matemticos, mas Von Neumann e Ulam em 1945 contriburam
para mostrar que vrios problemas matemticos poderiam ser tratados atravs de um anlogo
probabilstico [5].
O nome desse mtodo uma referncia ao principado de Mnaco, por causa de uma
roleta, um gerador de nmeros aleatrio simples. O nome e o desenvolvimento sistemtico do
mtodo de Monte Carlo datam de cerca de 1940.
.. MEDIDAS DE GRANDEZAS TERMODINMICAS
A mecnica estatstica de equilbrio tem por objetivo descrever as propriedades
macroscpicas de um sistema por meio de mdias sobre os seus estados microscpicos e
descritas por meio do ensemble cannico. A funo de partio, a partir da qual possvel
obter as propriedades termodinmicas do sistema, para um sistema em contato com um
reservatrio trmico temperatura T, pode ser escrita como:



i
E
i
T k E
i B i
e e Z

(.1)
onde
T k
B
1

, (
B
k
a constante de Boltzmann) e T a temperatura e onde a soma feita
sobre todos os estados i do sistema com energia E
i
e, portanto, depende do tamanho do
sistema e o nmero de graus de liberdade para cada partcula. Tambm possvel escrever a
funo de partio para sistemas sujeitos a alguma outra restrio alm da temperatura, como
por exemplo, serem mantidos a presso constante ou submetidos a campos magnticos.
2
Uma quantidade que pode ser definida a partir da Eq. (.1) e que estabelece a relao
entre a termodinmica e a parte estatstica chamada distribuio de Boltzmann, a qual
dada pela seguinte expresso:
i
E
i
e
Z
p

1
(.2)
e estabelece a probabilidade do sistema ser encontrado em um dado estado microscpico i.
Com o conhecimento desta probabilidade, possvel calcular o valor esperado
Q
do
observvel Q por meio da expresso:



i
E
i i
i
i
i
e Q
Z
p Q Q

1
(.3)
ou seja, a mdia do observvel os microestados i ponderada pelo peso de Boltzmann de cada
estado.
Uma vez que determinamos os potenciais de interao entre as partculas e os vnculos
aos quais o sistema est submetido, podemos escrever a funo de partio. O problema est
na realizao explcita do clculo devido ao nmero muito grande de microestados no
somatrio da Eq. (.1). Neste contexto, modelos bastante simplificados se tornam importantes
na tentativa de descrever os fenmenos fsicos observados em sistemas reais (muito mais
complexos), dentre os quais destacamos o modelo de Ising [6]. A soluo usual para sistemas
grandes realizar o clculo utilizando apenas um subespao dos estados do sistema, o que
implica em tornar os resultados imprecisos. Nas simulaes de MC escolhe-se aleatoriamente
um subconjunto com N estados de acordo com uma dada distribuio de probabilidade p
i
. A
estimativa dada pela quantidade Q, medida por:

N
i
E
i
N
i
E
i i
N
i
i
e p
e p Q
Q
1
1
1
1

(.4)
N
Q
, o estimador de Q, torna-se uma estimativa mais precisa de
Q
a medida que N
aumenta, no limite em que
N
, temos
Q Q
N

. Dois detalhes a considerar: (1) se os

N estados forem escolhidos ao acaso, isto , todos tem a mesma probabilidade, apenas uma
frao muito pequena do espao de fase do sistema ser usada no calculo do estimador; (2)
3
diz respeito a contribuio dos estados visitados no clculo do estimador, j que o peso de
Boltzmann uma funo exponencial, somente estados com energias prximas do estado de
equilbrio tero uma contribuio expressiva na soma.
Com a funo de partio podemos determinar as funes termodinmicas. Assim
vamos definir: Energia interna, calor especfico, entropia e susceptibilidade magntica.
A energia interna U do sistema calculado pelo valor mdio de
E
esperado para a
energia, da seguinte forma,

i
E
i
i
e E
Z
U

1
(.5)
Com as equaes (.2) e (.4) temos:

i
E
i
i
E
ZU e E e
Z
i i


(.6)
ou seja,
.
log 1

Z Z
Z
U
(.7)
J o calor especfico C obtido atravs da derivao da energia interna U, assim:
.
1
2

U
T k
U
T T
U
C
B
(.8)
Partindo da equao (.6), conclui-se que:
2
2
2
log

Z
k C
B
(.9)
A entropia determinada por:

,
_

Z
Z
Z k
T
F
S
B
ln
(.10)
onde
Z T k F ln
0

a energia livre de Helmholtz.
A susceptibilidade magntica mede a resposta na magnetizao devido variao do
campo magntico. Assim temos:
4
1
2
2
1

,
_

,
_

,
_

T
T T
T
M
F
M
H
H
M
(.11)
j que,
H
M
F
H
,
_

(.12)
Com isso, temos.
( )
2
2 2
z z B
S S
(.13)
.4. AMOSTRAGEM E ALEATORIEDADE
A amostragem aleatria simples o tipo de amostragem probabilstica mais utilizada.
D exatido e eficcia amostragem, alm de ser o procedimento mais fcil de ser aplicado a
todos os elementos do sistema a ser estudado, que tem a mesma probabilidade de pertencerem
amostra. O processo consiste em selecionar uma amostra n a partir de um sistema N.
Geralmente a seleo feita sem reposio e cada amostra feita unidade a unidade at que
se atinja o nmero pr-determinado.
A palavra aleatoriedade utilizada para exprimir quebra de ordem, propsito, causa,
ou imprevisibilidade em uma terminologia no cientfica. Um processo aleatrio o processo
repetitivo cujo resultado no descreve um padro determinstico, mas segue uma distribuio
de probabilidade. O termo aleatrio freqentemente utilizado em estatstica para designar
uma propriedade estatstica bem definida tal como uma quebra de uma neutralidade ou
correlao. Um nmero aleatrio um nmero que pertence a uma srie numrica e no pode
ser previsto a partir dos membros anteriores da srie. O conceito de nmero aleatrio um
conceito relativo srie numrica a que o nmero pertence. Um nmero pode ser aleatrio
numa srie numrica e no aleatrio noutra.
O fato dos sistemas reais terem um nmero muito grande de estados microscpicos faz
com que o resultado das observaes experimentais seja uma manifestao de somente uma
parte dos estados do sistema, notadamente aqueles que foram visitados durante a realizao da
simulao. Esta observao um indcio de que o sistema est realizando uma espcie de
amostragem por importncia, o que fortalece a ideia da possibilidade de determinao das
5
propriedades termodinmicas de interesse, utilizando apenas uma pequena frao dos estados
presentes no sistema e com isso preservando a semelhana entre a simulao e experimento.
A forma usual de reproduzir as observaes nas simulaes feita por meio da
utilizao de um algoritmo capaz de gerar, a partir de um estado inicial, outros estados
semelhantes de acordo com o seu peso de Boltzmann. Ento, ao invs de escolher os estados
de forma uniforme, isso feito de forma que um dado estado i seja escolhido de acordo com a
distribuio de Boltzmann. Esta escolha far com que a Eq. (.4) seja:

N
i
i N
Q
N
Q
1
1
(.14)
resultando em uma equao mais simples onde os fatores de Boltzmann foram cancelados e
no h referncia explcita funo de partio. Como esta expresso funciona muito melhor
que a Eq. (.4) devido o sistema est passando a maior parte do tempo em um nmero pequeno
de estados j que estes estados sero escolhidos mais frequentemente e que possuem pesos
expressos no clculo do estimador. Ser necessrio um mecanismo que permita que cada
estado escolhido tenha o mesmo peso de Boltzmann, para isso vamos fazer uso dos processos
de Markov [6].
.4.1. PROCESSOS DE MARKOV
Este consiste em uma ferramenta matemtica, na qual se podem gerar sucessivos
estados independentes do estado anterior. Esse tipo de processo (estocstico) aplicado a um
sistema no estado

num determinado tempo, o qual gera um estado

num tempo seguinte

de forma que, se partirmos do mesmo estado inicial, nem sempre ser gerado o mesmo estado
final. A probabilidade do estado final

ser gerado a partir do estado

denominada de
probabilidade de transio
( ) P
que caracterizada por depender somente das
propriedades dos estados inicial e final, no mais do tempo. O significado que uma vez que
o sistema esteja no estado

a probabilidade do sistema gerar o estado

sempre a
mesma, no importando o que tenha acontecido anteriormente. As probabilidades de transio
esto sujeitas aos vnculos.
( ) ( ) 1 , 0

P P
(.15)
6
pois a partir do estado

, outro estado gerado ou o sistema permanece no estado

.
Numa simulao de Monte Carlo, uma sequncia de passos realizada nos processos
de Markov, o qual d origem a uma cadeia de Markov de estados [6]. A Figura .1 mostra um
exemplo dessa cadeia de um sistema com apenas quatro estados.

Figura .1 - Cinco sucessivos processos de Markov, formando uma Cadeia de Markov de
estados. Temos um sistema com apenas quatro estados e inicialmente ele se encontra no
estado = 3, e a partir deste escolhemos aleatoriamente um novo estado

seguindo as
condies do processo de Markov [9].
Partindo desta cadeia podemos estimar a probabilidade

p
de o sistema estar no
estado

no tempo
( )
n n
t p t

,
, dado que este se encontrava num estado

anteriormente,
1 n
t
,
( ) ( )



P t p t p
n n 1
) (
(.16)
A chamada equao mestra considera a mudana desta probabilidade, com o tempo,
) (
n
t p

, tratado de forma contnua ao invs de discreta [6].

( )
( ) ( ) ( ) ( )

+

P t p P t p
dt
t dp
(.17)
A caracterstica principal do processo de Markov pode ser vista na equao mestra:
conhecendo o estado inicial do sistema no tempo t podemos estimar completamente a
evoluo temporal da distribuio de probabilidades que est associada a ele, isto , uma vez
que o prximo estado gerado com base no conhecimento do estado anterior.
Os processos de Markov so indispensveis quando so executados por um tempo
relativamente grande, pois possvel gerar a comear deles uma sucesso de estados com
7
probabilidades obedecendo distribuio de Boltzmann. Para que isto ocorra outras duas
condies devem ser satisfeitas: a ergodicidade e o balano detalhado.
.4.2. ERGODICIDADE
A condio de ergodicidade assegura que qualquer estado do sistema pode ser atingido
a partir de qualquer outro estado via sequncia de processos de Markov. Esta condio
permite que algumas das probabilidades de transio entre estados sejam zero, mas deve
existir pelo menos um caminho de probabilidades de transio diferente de zero entre
quaisquer dois estados do sistema. Se isto no ocorrer, um estado no poder ser gerado a
partir do estado inicial e a probabilidade do estado

p
ser zero e no o valor correspondente
distribuio de Boltzmann [6].
.4.. BALANO DETALHADO
O balano detalhado consiste na garantia que quando uma longa cadeia de Markov
realizada, a distribuio obtida a distribuio de Boltzmann. Desde que o sistema atinja o
equilbrio, as probabilidades de o sistema ir para o estado

e sair deste devem ser iguais,

isto :
( ) ( )

P p P p
(.18)
Esta condio garante a existncia de uma distribuio de equilbrio [7]. Esta a
chamada condio de balano detalhado e nos diz que na mdia o sistema deve ir de

para

da mesma forma que ele vai de

para

. Esta condio garantir que a cadeia de

Markov ir gerar uma distribuio de probabilidade nica para tempos longos. Desejamos que
a distribuio obtida seja a distribuio de Boltzmann, devemos escolher as probabilidades de
transio entre os estados

para

de acordo com a condio:

( )
( )
( )

E E
e
p
p
P
P

(.19)
Nessas condies, agora se faz a escolha conveniente para a distribuio de
probabilidades
( ) P
que deve satisfazer as Equaes .15 e .19. Feito isso, s nos resta
desenvolver um algoritmo que implemente a criao da cadeia de Markov de estados,
obedecendo a condio de ergodicidade. Em seguida, esperamos que o sistema alcance o
8
equilbrio de forma que a distribuio de probabilidades de estados p

, da Equao .17 seja

uma distribuio de Boltzmann. Passado esse tempo podemos calcular o valor mdio da
grandeza Q da Equao ..
.5. ALGORITMO DE METRPOLIS
No mtodo clssico de Metropolis, apresentado inicialmente em 1953 em seu artigo
[8], as configuraes so geradas a partir de um estado anterior usando uma probabilidade de
transio que depende da diferena de energia entre os estados inicial e final. Esse mtodo
utilizado com o objetivo de determinar valores esperados de propriedades do sistema
simulado, atravs de uma mdia sobre uma amostra. As probabilidades de transio so dadas
por
( )

'

<
>


0 1
0
) (
E se
E se e
S S W
j i
E E
i j

(.20)
onde E = E
i
- E
j
. Como W(S
j

S
i
) uma grandeza diferente de zero para todos os estados S
i
e S
j
, a condio de ergodicidade obedecida.
Previamente devem ser escolhidos o tipo de rede e as condies de contorno usadas na
simulao. As configuraes iniciais usuais so aquelas com os spins completamente
ordenados ou desordenados. Um novo estado resulta da mudana do valor do spin [10]. Para
sistemas de spins, a sequncia do algoritmo de Metropolis consiste no seguinte:
1. Especifica-se uma configurao inicial aleatria para os spins, ou seja, com valores
aleatrios para todos os graus de liberdade do sistema, respeitando as suas restries.
2. Um stio de rede escolhido (aleatoriamente ou sequencialmente).
3. Calcula-se a variao de energia do sistema E resultante da mudana do valor do
spin.
4. Se E <0, a configurao de aceitar; j que este estado mais provvel que o
anterior (segue-se para o passo 8). Se E >0, a configurao deste estado menos
provvel, mas no impossvel (segue-se para o passo 5).
9
5. Calcula-se a razo entre as probabilidades que d a transio entre estados devido a
uma flutuao.
6. Decide-se se a configurao do passo 4 de aceitar ou no: para isso, gera-se um
nmero aleatrio 0 < A < 1.
7. Se
E
e A

<

, o novo estado aceito, caso contrrio ele recusado, e se mantm o
estado anterior.
8. Retorna-se at o passo (2), at que algum critrio de parada seja satisfeito. Cada uma
dessas repeties dita um passo Monte Carlo (MC).
9. Calculam-se as grandezas fsicas que quisermos (energia do sistema naquela
configurao, valor de magnetizao, calor especfico, etc.) para que se possa fazer a
mdia no fim. Volta-se depois ao passo 1, para gerar nova configurao.
O intervalo entre duas configuraes sucessivas geradas pelo algoritmo no mnimo
de um passo de MC por stio, definido como o tempo necessrio para se percorrer a rede
inteira.
REFERNCIAS BIBLIOGRAFICAS (do Captulo 3)
[1] Revista Brasileira de Ensino de Fsica, Simulao Monte Carlo com Repesagem Aplicada
ao Calor Especfico de Slidos, vol. 24, n 2, pgina 103, Junho, 2002.
[2] Binder K. and Heerman D. W., Monte Carlo Simulation in Statistical Physics (Spring-
Verlag, Berlin, 1992); Spring Series in Solid-States Sciences, Vol. 80.
[3] K. Bitter, The Monte Carlo Method in Condensed Matter Physics, Topics in Applied
Physics 71, Springer, Berlin (1992).
[4] C. Z. Mooney, Monte Carlo Simulation, Series: Quanlitative Applications in the Social
Sciences 116, Sage University Paper, Iowa (1997).
[5] M. P. Allen, D. J. Tildesley, Computer Simulation of Liquids, Oxford Science
Publications, Nova York (1987, 2003).
10
[6] D. Landau and K. Binder. A Guide to Monte Carlo Simulations in Statistical Physics
(Cambridge University Press. Cambridge UK, 2000).
[7] M. Newman and G. Barkema, Monte Carlo Methods in Statistical Physics, (Oxford
University Press, New York, USA, 1999).
[8] N.Metropolis, A.Rosenbluth, M.Rosenbluth, A.Teller and E.Teller. J. Chem. Phys.,
21:1087,195.
[9] George Frederick Tavares da Silva. Mtodo de Monte Carlo no Estudo de Sistemas
Magnticos Bidimensionais. Dissertao de Mestrado, Universidade Federal do Cear, 2008.
[10] Marcella Rapini Braga. Estudo de filmes magnticos ultrafinos pelo mtodo de monte
carlo. Dissertao de Mestrado, Universidade Federal de Minas Gerais, 2006.
11